EstimatorStep Clase
EN DESUSO. Crea un paso de canalización que ejecutará Estimator para el entrenamiento del modelo de Azure Machine Learning.
Cree un paso de canalización de Azure ML para ejecutar estimador para el entrenamiento del modelo de Machine Learning.
EN DESUSO. Use CommandStep en su lugar. Para obtener un ejemplo, vea Cómo ejecutar el entrenamiento de ML en canalizaciones con CommandStep.
- Herencia
-
EstimatorStep
Constructor
EstimatorStep(name=None, estimator=None, estimator_entry_script_arguments=None, runconfig_pipeline_params=None, inputs=None, outputs=None, compute_target=None, allow_reuse=True, version=None)
Parámetros
- estimator
- Estimator
Objeto de estimador asociado para este paso. Puede ser un estimador preconfigurado, como Chainer, PyTorch, TensorFlow o SKLearn.
[Obligatorio] Una lista de argumentos de la línea de comandos. Si el script de entrada del estimador no acepta argumentos de línea de comandos, establezca este valor de parámetro en una lista vacía.
- runconfig_pipeline_params
- dict[str, PipelineParameter]
Una invalidación de las propiedades runconfig en tiempo de ejecución mediante pares clave-valor cada una con el nombre de la propiedad runconfig y PipelineParameter para esa propiedad.
Valores admitidos: "NodeCount", "MpiProcessCountPerNode", "TensorflowWorkerCount", "TensorflowParameterServerCount"
- inputs
- list[Union[PipelineData, PipelineOutputAbstractDataset, DataReference, DatasetConsumptionConfig]]
Lista de entradas que se usarán.
Lista de objetos PipelineData.
- compute_target
- Union[DsvmCompute, AmlCompute, RemoteCompute, str]
[Obligatorio] Destino de proceso que se usará.
- allow_reuse
- bool
Indica si el paso debe volver a usar los resultados anteriores cuando se ejecuta con la misma configuración o entrada. La reutilización está habilitada de manera predeterminada. Si el contenido del paso (scripts o dependencias), así como las entradas y los parámetros permanecen sin cambios, se reutiliza la salida de la ejecución anterior de este paso. Al volver a usar el paso, en lugar de enviar el trabajo al proceso, los resultados de la ejecución anterior se hacen disponibles inmediatamente para los pasos posteriores. Si usa conjuntos de datos de Azure Machine Learning como entradas, la reutilización viene determinada por si la definición del conjunto de datos ha cambiado, no por si los datos subyacentes han cambiado.
- version
- str
Una etiqueta de versión opcional para indicar un cambio en la funcionalidad del módulo.
- estimator
- <xref:Estimator>
Objeto de estimador asociado para este paso. Puede ser un estimador preconfigurado, como Chainer, PyTorch, TensorFlow o SKLearn.
- estimator_entry_script_arguments
- [str]
[Obligatorio] Una lista de argumentos de la línea de comandos. Si el script de entrada del estimador no acepta argumentos de línea de comandos, establezca este valor de parámetro en una lista vacía.
- runconfig_pipeline_params
- dict[str, PipelineParameter]
Una invalidación de las propiedades runconfig en tiempo de ejecución mediante pares clave-valor cada una con el nombre de la propiedad runconfig y PipelineParameter para esa propiedad.
Valores admitidos: "NodeCount", "MpiProcessCountPerNode", "TensorflowWorkerCount", "TensorflowParameterServerCount"
- inputs
- list[Union[PipelineData, PipelineOutputAbstractDataset, DataReference, DatasetConsumptionConfig, PipelineOutputTabularDataset, PipelineOutputFileDataset]]
Lista de entradas que se usarán.
- outputs
- list[Union[PipelineData, PipelineOutputAbstractDataset]
Lista de objetos PipelineData.
- compute_target
- Union[DsvmCompute, AmlCompute, RemoteCompute, str]
[Obligatorio] Destino de proceso que se usará.
- allow_reuse
- bool
Indica si el paso debe volver a usar los resultados anteriores cuando se ejecuta con la misma configuración o entrada. La reutilización está habilitada de manera predeterminada. Si el contenido del paso (scripts o dependencias), así como las entradas y los parámetros permanecen sin cambios, se reutiliza la salida de la ejecución anterior de este paso. Al volver a usar el paso, en lugar de enviar el trabajo al proceso, los resultados de la ejecución anterior se hacen disponibles inmediatamente para los pasos posteriores. Si usa conjuntos de datos de Azure Machine Learning como entradas, la reutilización viene determinada por si la definición del conjunto de datos ha cambiado, no por si los datos subyacentes han cambiado.
Comentarios
Tenga en cuenta que los argumentos del script de entrada usados en el objeto Estimator deben especificarse como lista mediante el parámetro estimator_entry_script_arguments
al crear instancias de EstimatorStep. El parámetro estimador script_params
acepta un diccionario. Sin embargo, el parámetro estimator_entry_script_argument
espera argumentos como una lista.
La inicialización de EstimatorStep implica especificar una lista de entradas con el parámetro inputs
y no es necesario especificar las entradas con el estimador; si lo hace, se producirá una excepción. Consulte el parámetro inputs
para ver los tipos de entradas que se permiten. También puede especificar opcionalmente cualquier salida para el paso. Consulte el parámetro outputs
para ver los tipos de salidas que se permiten.
El procedimiento recomendado para trabajar con EstimatorStep es usar una carpeta independiente para los scripts y los archivos dependientes asociados al paso, y especificar esa carpeta como el source_directory
del objeto Estimator. Si lo hace, tiene dos ventajas. En primer lugar, ayuda a reducir el tamaño de la instantánea creada para el paso porque solo se crea una instantánea de lo que se necesita para el paso. En segundo lugar, la salida del paso de una ejecución anterior se puede reutilizar si no hay ningún cambio en source_directory
que desencadene una nueva carga de la instantánea.
Métodos
create_node |
Cree un nodo a partir del paso del estimador y agréguelo al grafo especificado. EN DESUSO. Use CommandStep en su lugar. Para obtener un ejemplo, vea Cómo ejecutar el entrenamiento de ML en canalizaciones con CommandStep. No se debe llamar a este método directamente. Cuando se crea una instancia de una canalización con este paso, Azure ML pasa automáticamente los parámetros necesarios a través de este método para que ese paso se pueda agregar a un gráfico de canalización que represente el flujo de trabajo. |
create_node
Cree un nodo a partir del paso del estimador y agréguelo al grafo especificado.
EN DESUSO. Use CommandStep en su lugar. Para obtener un ejemplo, vea Cómo ejecutar el entrenamiento de ML en canalizaciones con CommandStep.
No se debe llamar a este método directamente. Cuando se crea una instancia de una canalización con este paso, Azure ML pasa automáticamente los parámetros necesarios a través de este método para que ese paso se pueda agregar a un gráfico de canalización que represente el flujo de trabajo.
create_node(graph, default_datastore, context)
Parámetros
- default_datastore
- Union[AbstractAzureStorageDatastore, AzureDataLakeDatastore]
El almacén de datos predeterminado.
- context
- <xref:azureml.pipeline.core._GraphContext>
El contexto del grafo.
Devoluciones
El nodo creado.
Tipo de valor devuelto
Comentarios
https://aka.ms/ContentUserFeedback.
Próximamente: A lo largo de 2024 iremos eliminando gradualmente GitHub Issues como mecanismo de comentarios sobre el contenido y lo sustituiremos por un nuevo sistema de comentarios. Para más información, vea:Enviar y ver comentarios de